|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/machine-learning-desde-cero/
课程评论：没有评论
**课程名称：** 机器学习与数据科学：Python完整课程 **课程概述：** 本课程旨在为所有背景的学习者提供机器学习和数据科学的基础知识，并通过Python 3进行实际应用。讲师Santiago Hernández将以一种非常基础且易于理解的方式，深入讲解驱动机器学习算法和当前数据科学技术背后的理论和数学原理。 课程采用引人入胜的实践教学法，讲师将亲自演示数学方程和函数，并用图表直观地展示机器学习背后的数学直觉。这不是一门为数学家准备的课程，而是面向所有渴望掌握机器学习技能、建立坚实基础并能够利用Python 3解决实际问题，甚至理解未来新兴算法的学习者。 在构建理论基础的同时，课程将结合实际案例，利用真实数据集解决诸如网络安全等领域的实际问题。课程代码将全部提供，供学习者自由使用和开发。本课程旨在打破“人工智能和机器学习是少数专业人士才能掌握的学科”的陈旧观念，证明任何有兴趣的人都可以成为机器学习专家。 **课程大纲：** * 欢迎与Python 3机器学习实战项目入门 * 机器学习的背景与动机 * Python 3学习环境搭建（Jupyter Notebook, Colaboratory, Numpy, Pandas, Matplotlib） * 机器学习基础概念：监督学习、无监督学习、在线学习、批量学习、实例学习、模型学习 * 回归与分类：线性回归、逻辑回归 * 机器学习项目流程：数据可视化、过拟合、欠拟合、评估、模型选择 * 支持向量机（SVM）：硬间隔、软间隔、线性模型、核函数 * 决策树与树集成：决策树、基尼不纯度、集成学习（Bagging, Pasting, Boosting, Stacking）、随机森林 * 特征选择与提取 * 聚类算法：K-Means、DBSCAN、Purity Score、Silhouette Coefficient、Calinski-Harabasz Index * 基于概率的机器学习算法：贝叶斯定理、朴素贝叶斯（Bernoulli, Gaussian） * 异常检测算法：高斯分布、多元高斯分布、随机森林 * 人工神经网络与深度学习：阈值逻辑单元、感知机、多层感知机、深度神经网络 * 课程结语 **目标受众：** 任何对机器学习和数据科学感兴趣，希望学习Python 3进行实际应用的学习者。
¡Hola a todos y bienvenidos a este curso sobre los fundamentos del Machine Learning y su aplicación en la solución de problemas reales mediante el uso de Python 3! Mi nombre es Santiago Hernández y voy a ser vuestro instructor a lo largo de este programa formativo, tenéis más información sobre mí en la biografía o en el vídeo "Presentación del instructor".A lo largo de este curso sobre Machine Learning y Data Science presentaré, desde un nivel muy básico y al alcance de todo tipo de perfiles, los fundamentos teóricos y matemáticos que se necesitan para comprender en detalle el funcionamiento de los algoritmos de aprendizaje automático y las técnicas de ciencia de datos más importantes en la actualidad. Para ello, utilizaré el enfoque que mejores resultados me ha proporcionado al impartir este tipo de clases en diferentes universidades, un enfoque práctico, en el que veréis como se desarrollan las diferentes funciones y ecuaciones matemáticas de mi puño y letra. Representaré gráficamente todas las intuiciones matemáticas en las que se fundamenta el Machine Learning, de manera que, cualquier persona pueda comprenderlas y avanzar con las siguientes secciones. Este no es un curso para matemáticos, es un curso para todos aquellos que quieren adentrarse en el dominio del aprendizaje automático aprendiendo unas bases sólidas que le permitan solucionar problemas reales mediante la implementación en Python 3 de las principales técnicas existentes y comprender aquellos algoritmos que surjan en el futuro.A medida que vayamos construyendo y comprendiendo estos fundamentos teóricos, iremos aplicándolos a casos de uso prácticos en los que utilizaremos conjuntos de datos reales. Yo soy un firme creyente de que aquellas cosas que se aprenden de manera teórica deben saberse aplicar a casos de uso prácticos para sacarles todo el rendimiento posible, y esto es exactamente lo que haremos a lo largo del curso. En estos casos prácticos, trataremos de resolver diferentes problemas que existen en la actualidad mediante la aplicación de Machine Learning y Data Science en dominios tan interesantes como la Ciberseguridad utilizando el lenguaje de programación Python 3. Por supuesto, desde el primer momento dispondréis de todo el código fuente y de la posibilidad de utilizarlo para vuestros propios desarrollos.La inteligencia Artificial y más concretamente el Machine Learning, ha sido percibida en muchas ocasiones como una disciplina compleja al alcance de unos pocos profesionales. Este curso ha sido creado para refutar esta creencia y demostrar que cualquier persona con suficiente interés puede convertirse en un profesional del aprendizaje automático, inscríbete ahora y compruébalo tú mismo.Temario del cursoBienvenido al curso: Machine Learning desde cero. Proyectos reales en Python 3Machine Learning: Contexto y MotivaciónIntroducción y creación el entorno de aprendizaje para Python 3: Jupyter Notebook, Jupyter Lab, Google Colaboratory, Numpy, Pandas, Matplotlib¿Qué es el Machine Learning?: Aprendizaje Supervisado, Aprendizaje no Supervisado, Aprendizaje Online, Aprendizaje Batch, Aprendizaje basado en Instancias, Aprendizaje basado en ModelosRegresión y Clasificación: Regresión Lineal, regresión LogísticaCreación de un proyecto de Machine Learning: Visualización del conjunto de datos, Overfitting, Underfitting, Evaluación, Selección del modeloSupport Vector Machines (SVM): Hard Margin Classification, Soft Margin Classification, Modelo Lineal, KernelsÁrboles de decisión y conjuntos de árboles: Árbol de decisión, Gini Impurity, Ensemble Learning, Bagging, Pasting, Boosting, Stacking, Random ForestsSelección y Extracción de característicasAlgoritmos de Clustering: Kmeans, Dbscan, Purity Score, Silhouette coefficient, Calinski & Harabasz indexAlgoritmos de Machine Learning basados en probabilidad: Teorema de Bayes, Naive Bayes, Bernoulli Naive Bayes, Gaussian Naive BayesAlgoritmos de Machine Learning para la detección de anomalías: Gaussian distribution, Multivariate Gaussian distribution, Random ForestRedes Neuronales Artificiales y Deep Learning: Threshold Logic Unit, Percetrón, Perceptrón Multicapa, Redes Neuronales ProfundasDespedida del curso: Machine Learning desde cero. Proyectos reales en Python 3
